我如何有效地尝试在大量 XML 列表中查找大量单词

Question

我有一大堆化学名称 (~30,000,000) 和一大堆文章 (~34,000) 以 XML 的形式存储在服务器上作为文件。

我正在尝试将每个 XML 解析为提及一个或多个化学名称的字符串。最终结果将是一个制表符分隔的文本文件，其中我有一个文件名，然后是文件中出现的化学品列表。

当前的问题是我有一个 for 循环，它循环遍历所有 XML 的 for 循环内的所有化学品。嵌套在 for 循环中的是 python 中的 string in string 操作。有什么方法可以通过使用比 string in string 更有效的操作或重新排列 for 循环来提高性能？

我的伪代码：

for article is articles:
         chemicals_in_article = []
         temp_article = article.lower()
         for chemical in chemicals:
               if chemical in temp_article: chemicals_in_article.append(chemical)

         #Write the results into a text file
         output_file.write(article.file_name)
         for chemical in chemicals_in_article: 
               output_file.write("\t" + chemical)
         output_file.write("\n")

Answer 1

签出 regex 报表。它们有时可能比 string in string 更快。尝试使用它们有一点学习曲线。

检查以获取一些线索。

Answer 2

我不确定 30M 条目是否会破坏您的记忆，但基于 trie 的方法可能是最快的。有几个包以稍微不同的形式实现了这一点，例如 FlashText; or trieregex。两者都有与您的场景完全匹配的示例。

编辑：...至少在纯文本上。根据上面的评论，如果您想避免匹配标记的随机位，请构建一个 trie，然后使用 XPath matches 函数查找 trie 派生的正则表达式找到匹配项的文本节点。不幸的是，Python 的主要 XML 库不支持 matches（实际上支持 XPath 2.0 的库很少），所以这不是很可行。

由于您只需要检测文档文本中任何位置是否存在关键字，一个可行的解决方法是将 XML 转换为文本，然后使用上述方法之一。这是一个例子：

#pip install libxml2-python3 trieregex

from trieregex import TrieRegEx as TRE
from libxml2 import parseDoc
import re


# prepare
words = ['lemon', 'lemons', 'lime', 'limes', 'pomelo', 'pomelos', 'orange', 'oranges', 'citrus', 'citruses']
tre = TRE(*words)
pattern = re.compile(fr"\b{tre.regex()}\b")
# => \b(?:l(?:emons?|imes?)|citrus(?:es)?|oranges?|pomelos?)\b


# search
xml = """
<?xml version="1.0"?>
<recipe>
  <substitute for="lemon">three limes</substitute>
  <substitute for="orange">pomelo</substitute>
</recipe>
""".strip()
doc = parseDoc(xml)
text = doc.getContent()
matches = pattern.findall(text)
print(matches)
# => ['limes', 'pomelo']
doc.freeDoc()

请注意，您只需要准备一次正则表达式；然后您可以在多个文档上快速应用它。

我如何有效地尝试在大量 XML 列表中查找大量单词

How do I efficiently try to find a large list of words in a large list of XMLs

python

algorithm

search